基于用户向量扩展的协同推荐方法

在电子商务中,协同推荐技术能够帮助用户发现感兴趣的东西.在协同推荐中,通常采用最近邻居的方法来产生推荐.随着商品数量的增多,协同推荐所需要的数据集也越来越稀疏,可用数据比例越来越少.为了解决这个问题,本文在传统的评分数据的基础上,引入用户的基本信息,对用户的基本信息进行离散化处理,将用户的基本信息转化成一个0、1的向量,然后将用户的评分矩阵转变成0、1矩阵并与用户的基本信息进行组合形成一个新的矩阵,对这个扩展的矩阵用奇异矩阵分解(SVD)降维,然后在SVD分解出的矩阵U和S的基础上计算最近邻居,并预测用户对项目的预测评分.实验表明引入用户的基本信息,并采用对基本信息离散化的处理方式,能够提高预测评分的准确性.     

基于扩展邻居的协同过滤算法

协同过滤算法是目前最主要的个性化推荐算法之一,它根据当前用户的最近邻居集所给出的评分来预测该用户对未评分项的评分.评分数据的稀疏性会影响协同过滤算法的推荐精度,为此我们提出了基于扩展邻居的协同过滤算法,在现有相似性计算的基础上通过扩展目标用户的邻居来获得更多的参考信息,从而提高预测结果的准确性.我们使用公共数据集MovieLens进行了实验,三种评价指标的统计结果显示,我们的方法要优于传统的协同过滤算法.     

基于相似项目与用户评分的协同推荐算法

推荐系统是电子商务系统中最重要的技术之一.随着电子商务系统用户数目和商品数目日益增加,在整个商品空间上用户评分数据极端稀疏,传统的相似性度量方法均存在各自的弊端,导致推荐系统的推荐质量急剧下降.针对用户评分数据极端稀疏情况下传统相似性度量方法的不足,本文提出了一种基于相似项目与用户评分预测的协同过滤推荐算法,综合利用相似项目和相似用户评分信息预测用户对未评分项目的评分.通过聚类算法形成用户候选近邻集,减小了算法搜索空间,降低了最近邻用户的搜索时间,从而增强了算法的扩展性.实验结果表明,本算法可以有效解决用户评分数据极端稀疏情况下传统协同推荐算法存在的问题,显著提高推荐系统的推荐质量.     

一种基于Rough集理论的最近邻协同过滤算法

目前协同过滤被广泛应用于数字图书馆、电子商务等领域的个性化服务系统.最近邻算法则是最早提出和最主要的协同过滤推荐算法,但用户评分数据稀疏性严重影响推荐质量.针对上述问题,提出了一种基于Rough集理论的最近邻协同过滤算法,以用户评分项并集作为用户相似性计算基础,并将非目标用户区分为无推荐能力和有推荐能力两种类型;对于无推荐能力用户不再计算用户相似性以改善推荐实时性,对于有推荐能力用户则提出一种基于Rough集理论的评分预测方法来填补用户评分项并集中的缺失值,从而降低数据稀疏性.实验结果表明新算法能有效提高推荐质量.     

个性化推荐系统中用户多态聚类研究

针对传统协同过滤算法依赖单一用户需求形态影响推荐效果的问题,提出一种基于用户多态聚类的数字图书馆个性化推荐方法。该方法以改进的海明距离计算候选邻居集,结合多态相似度进行二次聚类,预测用户的多态需求度并形成推荐。实验表明,使用多态聚类产生的推荐精确度上优于单一聚类产生的推荐。     

一种利用Vague集理论改进的协同过滤推荐算法

针对项目特征难以表达问题,提出采用Vague集理论对其进行提取与表示,在此基础上进行项目相似性聚类,利用聚类内项目相似性对未评分项目进行评分值预测,从而消除协同过滤推荐的稀疏性问题,进而基于预测后的评分矩阵进行相似用户聚类,并在项目聚类簇内实施协同过滤推荐,使推荐更有针对性。实验结果表明,该方法无论在推荐精度还是推荐相关性上都更为有效。     

基于项类偏好的协同过滤推荐算法

协同过滤是推荐系统中广泛使用的最成功的推荐技术,但是随着系统中用户数目和商品数目的不断增加,整个商品空间上的用户评分数据极端稀疏,传统协同过滤算法的最近邻搜寻方式存在很大不足,导致推荐质量急剧下降。针对这一问题,本文提出了一种基于项类偏好的协同过滤推荐算法。首先为目标用户找出一组项类偏好一致的候选邻居,候选邻居与目标用户兴趣相近,共同评分较多,在候选邻居中搜寻最近邻,可以排除共同评分较少用户的干扰,从整体上提高最近邻搜寻的准确性。实验结果表明,该算法能有效提高推荐质量。     

基于粗糙用户聚类的协同过滤推荐模型

【目的】将粗糙集引入到基于用户聚类的协同过滤中,提高推荐质量。【方法】提出一种基于粗糙用户聚类的协同过滤推荐模型:离线时采用粗糙K-means用户聚类算法,根据用户与聚类中心的相似度将其分配到K个类的上、下近似中,形成用户的初始近邻集;在线时从目标用户的初始近邻集中搜索其最近邻,预测项目评分并向其产生推荐。【结果】通过实验对比发现,该模型比传统的和基于项目的协同过滤推荐算法降低约14%的平均绝对误差,比基于用户聚类的协同过滤推荐算法降低约10%的平均误差。【局限】在考虑上、下近似对聚类中心调整的重要程度时,忽略了用户聚类数目和最近邻集用户数阈值的变化所产生的影响。【结论】该模型能有效提高推荐精度,具有较强的可行性和现实意义。     

基于协同过滤的图书推荐模型

针对目前传统数字图书馆无法为用户提供准确个性的图书推荐服务的问题,提出构建基于协同过滤的图书智能推荐系统。首先对图书进行聚类,构建无缺失的图书评价矩阵,在此基础上根据读者对相似图书的评分预测读者的兴趣爱好,为读者提供个性化的图书推荐。该方法在评分数据极端稀疏的情况下也可以为读者作出准确的图书推荐。最后通过实验验证该推荐方法的有效性和实用性。     

基于最近邻评价矩阵的混合协同过滤推荐算法

协同过滤技术是推荐系统中核心技术之一,数据的稀疏性和用户的多兴趣性困扰着协同过滤推荐质量的提高.将用户相似性和项目相似性结合起来,对原始评价矩阵进行降维处理,得到对目标评价预测影响最大、数据规模非常小的最近邻评价矩阵,在该矩阵上依照项目近邻程度不同对目标评价预测贡献不同的方法,对用户的邻居进行加权精选,对目标评价实现交错预测.实验结果验证该算法能达到较高的推荐精度.     

协同信息推荐:一种数字图书馆个性化信息服务新模式

基于用户-资源协同驱动的个性化信息推荐服务是一种在分析预测用户个体信息需求基础上向用户主动提供其可能需要但又无法获取的信息资源的服务方式。本文在阐述协同信息推荐服务系统基础上,对协同信息推荐应用于数字图书馆个性化服务的研究现状进行分析,总结出协同信息推荐在数字图书馆个性化服务中的重要作用,并提出了基于用户-资源协同驱动的数字图书馆个性化信息推荐服务模型。     

一种基于相似度和信任度融合的微博内容推荐方法

[目的/意义]微博对用户获取信息和建立社交网络具有重要作用。提出一种基于相似度和信任度融合的微博内容推荐方法,能够从用户需求出发进行个性化微博内容推荐,对提高微博服务质量、改善信息过载问题具有意义。[方法/过程]基于相似度和信任度融合算法,构建微博内容推荐模型,以新浪微博为研究对象,采用编程方式获取汽车、体育、运动健身、互联网和财经5个领域的数据,展开用户相似度与信任度计算的实验分析和比较。[结果/结论]分析结果显示该方法可以有效表示和挖掘微博内容,改善微博推荐的准确性和用户满意度。     

基于项目分类预测的协同过滤推荐算法

在电子商务系统中,为了帮助用户有效地发现、过滤和利用信息,信息过滤技术应运而生.协同过滤技术作为其中的一种技术被成功地应用于推荐系统中.随着电子商务用户数目和商品数目的日益增加,整个项目空间上用户评分数据极端稀疏,传统的相似性度量方法均存在各自的弊端,导致推荐系统的推荐质量急剧下降.针对这一不足,提出基于项目分类预测的协同过滤算法,通过对用户评分矩阵中的项目进行相应的分类,缩小邻近搜索的范围,预测项目评分,减少稀疏性,并采用新的相似度计算方法.实验结果表明,该算法能提高个性化推荐算法的准确性.     

一种电子商务荐购模型

结合电子商务荐购系统的要素分析，构建能统一描述荐购系统输入信息、内部数据表示方式和各种荐购方法的用户、商品及交易关系模型。以此关系模型为基础，提出一种混合型荐购方法，并以此方法为核心构建能支持多种荐购方法自由切换、支持用户定制、支持信息推送服务以及商业排名服务的电子商务荐购模型。     

社会媒体用户标签的分析与推荐

微博是Web2.0时代重要的网络服务工具,作为以用户为中心的信息发布、传播和分享平台,它包含了非常丰富的用户信息。在微博中,可以使用标签表示用户的兴趣和属性。而一个用户的兴趣和属性,通常包含在这个用户的文本信息和网络信息中。针对微博用户的标签进行分析,提出网络正则化的标签分发模型（NTDM）来为用户推荐标签。NTDM模型对用户个人简介中的词语和标签之间的关系进行建模,同时利用其社交网络结构作为模型的正则化因子。在真实数据集上的实验表明,NTDM在效果以及效率上都优于其他方法。     

国内电子商务网站推荐系统信息服务质量比较研究——以淘宝、京东、亚马逊为例

[目的/意义]推荐系统已经成为电子商务网站的重要组成部分之一,为用户提供多种形式的信息推荐服务。国内以淘宝、京东和亚马逊为代表的电子商务网站的推荐系统采用不同的技术架构和多种热点推荐技术,并且越来越重视信息服务的质量。对推荐系统服务质量进行比较研究,能够进一步推动电子商务推荐系统的发展。[方法/过程]首先,从准确性、时效性、新颖性三个技术指标对比以上推荐系统的技术架构对于推荐服务质量的影响;其次,以用户体验作为信息服务质量评价的基础,对182名受访者进行热点技术的认可度调查,研究热点技术对推荐服务质量的影响;最后,对功能模块的用户体验情况进行调查和比较分析。[结果/结论]在这些研究、调查和分析的基础上,给出电子商务推荐系统使用的技术架构和热点技术,以及改进功能模块设计的对策,以进一步提升推荐系统的信息服务质量。     

高校图书馆馆藏资源协同推荐系统研究

以武汉大学为实际研究环境,针对高校图书馆环境下协同推荐的特殊性,在缺乏用户对馆藏资源评分数据的情况下提出主要根据借阅时间计算用户的偏好值,并辅助使用用户评分对该值进行调整。将用户的信息需求分为长期信息需求和短期信息需求,分别计算用户对馆藏资源的短期偏好值和长期偏好值,运用Apache Mahout构造馆藏资源的协同推荐系统,针对用户的两种需求进行推荐,并且采用邮件调查的方式对推荐结果进行了检验。     

多维度属性加权分析的微博用户聚类研究

[目的/意义]准确把握社交网络用户兴趣倾向,对用户进行分类并形成高聚合的用户群,对研究社交网络信息生态以及信息推荐有重大意义。[方法/过程]通过构造基于多维度的用户属性描述层次模型,根据模型数据需求从新浪微博抓取用户样本数据,对相关用户背景信息、用户博文信息以及用户行为信息的多维度属性下二阶变量进行量化,构造用户向量表达式,比较单一维度与多维度下的用户分类效果,进一步给属性赋予不同的权重值进行加权分析,在取得最优聚类效果后进行方差分析,对模型进行改进。[结果/结论]基于多维度属性加权后的用户聚类效果明显高于单一维度及多维度非加权条件下的用户聚类,且用户博文内容维度对于提高用户聚类效果的有效性最大。     

数字图书馆智能信息推荐服务满意度影响机理的扎根研究

当前,数字图书馆的信息环境已由信息不足转变为信息过载,其对应的服务模式也应由"人找信息"转变为"信息找人"。智能信息推荐服务的应用有助于应对新信息环境转变给数字图书馆带来的新挑战,但目前国内外对数字图书馆智能信息推荐服务满意度的影响机理尚缺乏深入研究。本文利用扎根理论方法,通过对访谈获取的原始资料进行编码分析,提炼出78个初始概念、24个基本范畴和6个主范畴。在此基础上,梳理范畴间的关系路径与作用机制,并构建了数字图书馆智能信息推荐服务满意度影响机理的理论模型。研究结果发现,在用户偏好的调节作用下,推荐系统质量、推荐信息质量、推荐服务质量和推荐形式共同对数字图书馆智能信息推荐服务满意度产生影响。本研究结果可为数字图书馆服务优化与良性发展提供有益参考,具有理论和实践意义。     

Learning User Similarity and Rating Style for Collaborative Recommendation

Information filtering is an area getting more important as we have long been flooded with too much information, where product brokering in e-commerce is a typical example. Systems which can provide personalized product recommendations to their users (often called recommender systems) have gained a lot of interest in recent years. Collaborative filtering is one of the commonly used approaches which normally requires a definition of user similarity measure. In the literature, researchers have proposed different choices for the similarity measure using different approaches, and yet there is no guarantee for optimality. In this paper, we propose the use of machine learning techniques to learn the optimal user similarity measure as well as user rating styles for enhancing recommendation acurracy. Based on a criterion function measuring the overall prediction error, several ratings transformation functions for modeling rating styles together with their learning algorithms are derived. With the help of the formulation and the optimization framework, subjective components in user ratings are removed so that the transformed ratings can then be compared. We have evaluated our proposed methods using the EachMovie dataset and succeeded in obtaining significant improvement in recommendation accuracy when compared with the standard correlation-based algorithm.